很多大型工程和复杂的应用环境中，会使用到众多大型水泵组成的机组，这些大型的泵机组，为了操作和管理方便，都会应用到比较复杂的各种应用，其中有我们称之为泵机组神经网络的应用。可能很多人对这个不甚了解，我们在下面就来对它的一些情况进行说明。
　　一、小波包分解基本原理
　　1、故障特征的提取
　　泵机组的各类故障信号通常在各个高频段和低频段都有分布，而小波包分解在低频和高频段都可以达到很精细的程度，因此非常适用于需同时提取低频和高频特征的信号分解。对小波包分解得到的各频带内的信号进行统计和分析，形成反映信号特征的频带能量指标。小波包尺度过少，不能有效提取故障特征，分解尺度过多，特征向量的维数大，会影响诊断速度。所以在发动机泵机组故障诊断中，根据发动机泵机组轴承和齿轮振动信号的特点，采用3尺度分解得到8个频带能量E3j E3j=∫S3j（t）2dt=2 n k=1 xjk2其中，xjk（j=0，1，…，7；k=1，2，…，n）表示重构信号s3j的离散点幅值。
　　当泵机组某部件或某系统出现故障时，会对各频带内信号的能量有较大的影响，故可以能量为元素构造一个特征向量T. T=E30，E31，E32，E33，E34，E35，E36，E37当能量较大时，E3j（j=0，1，…，7）通常是一个较大的数值，在数据分析上会带来不方便的地方。因此，需对向量进行归一化处理，令E=（2 7 j=0 E3j2）12 T'=，向量T'即为归一化后的向量。
　　2、BP神经网络的主要原理
　　神经网络具有处理复杂多模式及进行联想，推测和记忆的功能，并且具有很强的实时性。通过对故障实例和诊断经验的训练学习，用分布在完了过内部的连接权值来表达所学习的故障诊断支持，实现故障与征兆之间的非线性影射关系。BP神经网络是指基于误差反向传播算法（BP算法）的多层前向神经网络，神经元的变换函数采用s型函数，因此输入量是0～1之间的连续两，可以实现从输入到输出的任意非线性映射。由于连接权的调整采用的是反向传播算法（Backpropagation），因此该网络也称为BP网络。
　　BP网络通常由输入层，输出层和若干个隐层构成，*层为输入层，第Q层为输出层，中间各层为隐层，前层至后层通过权连接。设第q层（q=1，2，…，Q）的神经元个数为，输入到第q层的第个神经元的连接权系数为w（q）
　　ij（i=1，2，…，nq；=1，2，…，nq-1），该网络的输入输出变换系数为s（q）
　　i=2 nq-1 j=0 w（q）ijxq-1 j式中：xq-1 0=Η（q）
　　io0-1. xq i=f（s（q）
　　i）= 1 1+e-Λsi（q）
　　以上两式中：=1，2，…，；=1，2，…，；q=1，2，…，Q.设给定P组输入样本Θ（o）
　　xp =　　p1，x（0）
　　p2，…，x（0）
　　利用该样本集首先对BP网络进行训练，也即对网络的连接权系数进行学习和调整，以使网络实现给点的输入输出映射关系，经过选练得BP网络，对于不适样本集中的输入也能给出合适的输出，该性质称为泛化功能。
　　设拟合误差的代价函数为E= 1 2 p p=1 2（dpi-x（Q）
　　pi）2 =2 p p=1 Ep 332010年第9期岳亮等基于小波包-神经网络的泵机组故障诊断即：Ep= 1 2 no i=1（dpi-xQ pi）2为了使E按网络权系数的梯度逐渐下降至zui小值，网络的训练采用基于梯度下降原理的BP算法。
　　二、模糊贴近度的故障识别原理
　　设故障标准模式为{Ei}（i=1，…，m），各模式所对应的故障为{Fi}（i=1，…，m），待诊断向量为R，则模糊贴近度采用的是一种极合相似的识别方法，通过计算R与{Ei}（i=1，…，m）中各个模式E的相似程度，来确定E所对应的故障F发生的可能性d（R，Ei）。模糊贴近度较为成熟的计算方法有距离法，内积法和zui大zui小法。
　　三、小波包神经网络故障诊断的应用
　　为取得神经网络的训练样本，对油泵进行了故障模拟试验。共设置四种状态，正常状态，轴承内圈故障，轴承外圈故障，泵轴松动，泵不对中。每类故障采样6组数据，分别进行小波包3层分解，取得了30组数据。表1为由振动信号提取到的小波包频带能量百分比，组成30×8维矩阵，作为神经网络的输入向量。
　　利用BP神经网络进行分类训练，表中数据为神经网络输入向量，分类输出结果为四类，利用模糊贴近度原理分别定义输出向量为：<1000>，<0100>，<0010>，<0001>.由于低频部分能量较高，而高频部分能量偏低，训练后的神经网络拟合度很低，识别精度不能满足故障模式识别的要求，所以对数据进行列向归一化取25组进行神经网络分类样本训练，从各状态下取一种状态作为测试样本。通过神经网络样本训练后的精度很高，取其中任意一种状态的特征向量进行测试，输出的结果都与实际温和，说明该方法可以应用到*油泵的故障诊断中。
　　通过对油泵故障信号进行小波包分解提取特征向量和神经网络对故障类型的识别，取得了很好的效果。对于故障频率分布比较分散的故障，利用小波包分解，在不丢失任何振动信号的基础上，利用神经网络提高了故障识别精度。在*油库中，油泵一般为统一的型号，安装条件也不尽相同，在各种故障条件下产生的故障信号也很类似。通过对某一类型油泵进行故障试验，采集各类故障条件下的振动信号建立故障诊断数据库，可以快速准确的诊断出油泵所存在的故障，保证*油库泵房的正常运行。
    可以说，泵机组的神经网络对机组的运转是很重要的。所以，在机组神经网络出现故障的时候，我们*时间就是进行修复。对于故障的情况，我们在上面已做相关说明。
    本文章由G型螺杆泵：（）整理分享，如需转载请注明出处。